Esta API admite la generación síncrona de texto a voz, con un máximo de 10000 caracteres por envío de texto. Admite más de 100 voces del sistema y la selección autónoma de voces clonadas; permite ajustar el volumen, el tono, la velocidad y el formato de salida; admite mezcla proporcional, control de intervalos de tiempo fijos; admite múltiples especificaciones y formatos de audio, incluidos: mp3, pcm, flac, wav, y admite salida en streaming.Después de enviar una solicitud de síntesis de voz de texto largo, ten en cuenta que la url devuelta es válida durante 24 horas desde el momento en que se devuelve la url. Presta atención al tiempo de descarga de la información.
Adecuada para escenarios como generación de frases cortas, chat de voz y redes sociales en línea. Tiene baja latencia, pero el límite de longitud del texto es inferior a 10000 caracteres. Para textos largos, se recomienda usar síntesis de voz mediante llamada asíncrona.
Texto que se va a sintetizar, con una longitud inferior a 10000 caracteres. Los cambios de párrafo se sustituyen por saltos de línea. (Si necesitas controlar el intervalo de tiempo en la voz, añade <#x#> entre caracteres; x se expresa en segundos, admite 0.01-99.99, con un máximo de dos decimales). Admite intervalos de tiempo de voz personalizados entre textos para lograr el efecto de pausas personalizadas en la voz del texto. Ten en cuenta que el intervalo de tiempo entre textos debe establecerse entre dos fragmentos de texto que puedan pronunciarse, y no se pueden establecer varios intervalos de tiempo consecutivos.
ID de la voz solicitada. Obligatorio, a elegir entre este y timbre_weights.Admite dos tipos: voces del sistema (id) y voces clonadas (id). Las voces del sistema (ID) son las siguientes:
Voz de joven inexperto: male-qn-qingse
Voz de joven élite: male-qn-jingying
Voz de joven dominante: male-qn-badao
Voz de estudiante universitario joven: male-qn-daxuesheng
Voz de chica joven: female-shaonv
Voz de mujer madura y elegante: female-yujie
Voz de mujer madura: female-chengshu
Voz de mujer dulce: female-tianmei
Presentador masculino: presenter_male
Presentadora femenina: presenter_female
Audiolibro masculino 1: audiobook_male_1
Audiolibro masculino 2: audiobook_male_2
Audiolibro femenino 1: audiobook_female_1
Audiolibro femenino 2: audiobook_female_2
Voz de joven inexperto-beta: male-qn-qingse-jingpin
Voz de joven élite-beta: male-qn-jingying-jingpin
Voz de joven dominante-beta: male-qn-badao-jingpin
Voz de estudiante universitario joven-beta: male-qn-daxuesheng-jingpin
Voz de chica joven-beta: female-shaonv-jingpin
Voz de mujer madura y elegante-beta: female-yujie-jingpin
Este parámetro admite la normalización de texto en inglés, lo que puede mejorar el rendimiento en escenarios de lectura de números, pero aumentará ligeramente la latencia. Si no se proporciona, el valor predeterminado es false.
Rango 【32000,64000,128000,256000】Tasa de bits de la voz generada. Opcional; el valor predeterminado es 128000. Este parámetro solo tiene efecto para audio en formato mp3.
Sustituye texto, símbolos y sus pronunciaciones correspondientes que requieren anotación especial.Sustitución de pronunciación (ajustar tono/sustituir la pronunciación de otros caracteres), con el siguiente formato:["燕少飞/(yan4)(shao3)(fei1)","达菲/(da2)(fei1)","omg/oh my god"]Los tonos se sustituyen por números: el primer tono (yinping) es 1, el segundo tono (yangping) es 2, el tercer tono (shangsheng) es 3, el cuarto tono (qusheng) es 4, y el tono neutro es 5.
Rango [1,100]Peso; debe completarse junto con voice_id. Admite la mezcla de hasta 4 voces. El valor debe ser un entero; cuanto mayor sea la proporción de una sola voz, más se parecerá la voz sintetizada a ella.
Cuando este parámetro se establece en True, el último chunk del streaming no contendrá los datos hex de la voz completa concatenada. El valor predeterminado es False, es decir, el último chunk contiene los datos hex de la voz completa concatenada.
Mejora la capacidad de reconocimiento para lenguas minoritarias y dialectos especificados. Después de configurarlo, puede mejorar el rendimiento de voz en escenarios de la lengua minoritaria/dialecto especificado. Si no está claro el tipo de lengua minoritaria, puedes elegir “auto”, y el modelo determinará de forma autónoma el tipo de lengua minoritaria. Admite los siguientes valores:'Chinese', 'Chinese,Yue', 'English', 'Arabic', 'Russian', 'Spanish', 'French', 'Portuguese', 'German', 'Turkish', 'Dutch', 'Ukrainian', 'Vietnamese', 'Indonesian', 'Japanese', 'Italian', 'Korean', 'Thai', 'Polish', 'Romanian', 'Greek', 'Czech', 'Finnish', 'Hindi', 'Bulgarian', 'Danish', 'Hebrew', 'Malay', 'Persian', 'Slovak', 'Swedish', 'Croatian', 'Filipino', 'Hungarian', 'Norwegian', 'Slovenian', 'Catalan', 'Nynorsk', 'Tamil', 'Afrikaans', 'auto'
Parámetro que controla la forma del resultado de salida. Los valores opcionales son urlhex. El valor predeterminado es hex. Este parámetro solo tiene efecto en escenarios no streaming; los escenarios de streaming solo admiten la devolución en formato hex. La url devuelta es válida durante 24 horas.
Ajuste de tono (grave/brillante), rango [-100,100]. Cuanto más se acerque el valor a -100, más grave será la voz; cuanto más se acerque a 100, más brillante será.
Ajuste de intensidad (potencia/suavidad), rango [-100,100]. Cuanto más se acerque el valor a -100, más firme será la voz; cuanto más se acerque a 100, más suave será.
Ajuste de timbre (magnético/nítido), rango [-100,100]. Cuanto más se acerque el valor a -100, más profunda y rica será la voz; cuanto más se acerque a 100, más nítida será.
Fragmento de audio sintetizado, codificado en hex, generado según el formato definido en la entrada (audio_setting.format) (mp3/pcm/flac). La forma de devolución se basa en la definición de output_format; cuando stream es true, solo se admite la devolución en formato hex.